岗位描述 推动在各个行业专家领域高生产力价值Cowork Agent的构建与实践落地，让模型在Agent环境中完成现实世界的真正复杂任务，持续提升模型在真实、高经济价值任务中的表现，拓展大模型实际能力边界。 1. Envs/Harness Building & Generalization：复现并维护高可靠性主流Harness环境，提升模型在不同Harness场景下的泛化能力；同步探索Qwen Frontier Harness设计，探索Loop Engineering、Multi-Agent 与 Auto-Harness，与算法/数据链路 codesign 实现更好效果。 2. Data Design & Scaling：挖掘金融、量化、法律、医疗、设计、数据分析、工业、工程等场景下的高价值数据和workflow，探索数据Pattern演化，User-Centric Data优化，General Long-Horizon Data Pipeline构建；在CPT/SFT/RL端到端验证配比/学习策略，优化模型端到端长程的行业Agent解决方案。 3. Agentic Rewarding System：构建面向真实Agentic任务的General Verifier，设计Evolving Rubrics、Code Verifier、实现Outcome & Process Level 数据监督与自动化Rewarding，User model Rewarding。 4. Real World RL：基于现实环境、现实任务的大规模Agentic RL训练，探索CPT->RL的端到端Scaling Law，Multi-step Rewarding Shaping，Agentic Behavior Learning。

1. 来自全球Top高校计算机科学、人工智能、机器学习、深度学习、软件工程或相关领域应届博士/顶尖硕士毕业生。 2. 在大语言模型或多模态大模型领域有扎实的理论基础和实践经验，在深度学习、大规模模型训练、优化算法、生成式模型、自监督学习等至少一个领域中具有行业影响力的创新性成果。 3. 在国际顶级计算机会议/期刊以一作身份发表过多篇高水平论文，或在开源社区、竞赛中展示出引领性的研究成果。 4. 具备扎实的代码功底，熟悉主流深度学习框架，能够高效实现复杂模型结构并进行大规模模型训练（曾参与千卡集群项目者优先）；ACM/ICPC，topcoder等编程比赛获奖者优先。 5. 对AI技术充满好奇心，持续关注前沿领域，具备独立思考能力和系统性研究思维，敢于挑战现有范式，有志于定义下一代基础模型的进化方向；能够独立应用技术解决复杂问题，主导或深度参与过有行业有影响力项目的人选优先。 6. 具备优秀的跨团队协作和沟通能力，能够与工程、产品等团队紧密合作，推动研究成果快速落地并产生实际影响力。